现有的多变量时间序列预测方案在提取中间特征方面效率低下。本文提出了一种称为特征路径有效多变量时间序列预测（FPEMTSP）的人工神经网络，用于在存在多个次级时间序列的情况下预测主时间序列的下一个元素。我们建议生成次要时间序列的所有可能组合，并通过对主要和次要时间序列特征进行笛卡尔乘积来提取多变量特征。我们的计算证明了FPEMTSP的复杂性和网络规模是可以接受的。我们考虑了FPEMTSP中的一些内部参数，这些参数可以配置为提高预测精度和调整网络大小。我们使用两个公共数据集对FPEMTSP进行了训练和评估。我们的评估揭示了内部参数的最优值，并表明FPEMTSP在预测精度和正确预测的步数方面超过了现有方案。
